3
社区成员




电商的推荐系统解决什么问题
在电商场景里面,电商推荐系统本质是做人货场的匹配,提升匹配的准确率
从用户的视角来说,当用户无输入和表达的时候,探索并利用用户在各方面的兴趣,从海量的商品中挑选用户比较感兴趣的商品推荐给用户展示,缩短用户浏览的时间;
从商家视角来说,挖掘用户的潜在兴趣,提升用户体验,提升用户转化的效率,达到在短暂的停留时间内,促进用户点击、加购、下单,以及下次再来
电商推荐的评价指标
技术指标:
准确性
用户留存
可拓展性
满意度
覆盖度
多样性
实时性
鲁棒性
业务指标:净利润、毛利润、转化率CVR、点击率CTR
推荐的一般流程
召回是用做推荐展示的基础,基于业务和效果可以结合使用不用的推荐策略,实现从万到百
召回可以结合算法和规则
规则:可以基于运营和业务场景的需求,例如热销、用户高点击率、标签、评价的召回
算法:通过查询结果A用户也会点击B的方式,去做关联,提升整体的推荐协同效果
召回阶段结合的规则如:类目偏好、图案偏好、价格带偏好、颜色偏好等等。
对召回的数据进行查询过滤,可以基于业务需求,例如用户的行为、地理位置、当前行为进行过滤,或者运营的一些需求进行人工规则的过滤。
关注的规则:下架过滤、售罄过滤、品牌关键词过滤
从候选出来的商品数据进行粗排和精排,一般粗排和商家环境、用户特征、商品特征,以及对应的权重做加权平均,得到排序的打分。
粗排的阶段存在比较严重的问题是排序的性能和效果的均衡。
精排是从场景特点出发,在粗排的基础上利用模型进行排序。
关注的纬度:用户特征、商品特征、环境特征
重排是最后一步,是精排后更加精准的打分,根据精排分数和多样性分数做随机抽样,然后把相似内容打散,并且插入广告和运营内容,展示给用户。
已加购情况、转户率、价格、利润